CC BY
30
Актуальные проблемы авиации и космонавтики - 2014. Информационные технологии
УДК 669.713.7
И. Ф. Синяев Научный руководитель - О. В. Шестернева Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
ИССЛЕДОВАНИЕ BAGGING ПОДХОДА ПРИ ПОСТРОЕНИИ АНСАМБЛЯ МОДЕЛЕЙ ДЛЯ ПОВЫШЕНИЯ ТОЧНОСТИ КЛАССИФИКАЦИИ
Приводится исследование bagging подхода при построении ансамбля моделей с целью повышения точности классификации на тестовой задаче. Выделяются положительные и отрицательные стороны подхода.
Под ансамблем моделей понимается набор базовых классификаторов, результаты классификации которых объединяются и формируют прогноз агрегированного классификатора. Целью создания ансамбля моделей является повышение точности агрегированного классификатора по сравнению с точностью каждого индивидуального базового классификатора в отдельности.
Существует немало подходов к формированию ансамбля моделей. Одним из наиболее популярных является Bagging подход (Bootstrap Aggregating, Leo Breiman) (1). Метод основан на манипулировании обучающим множеством с последующим построением базовых классификаторов на различных его подмножествах. Каждый базовый классификатор использует общий алгоритм, но обучается на различных подмножествах. Прогноз ансамбля формируется путем комбинирования результатов каждого отдельного классификатора при помощи усреднения или голосования.
В качестве базового алгоритма классификации используется метод k-ближайших соседей (kNN). Основным принципом метода k-ближайших соседей является то, что объект присваивается тому классу, который является наиболее распространенным среди данного элемента.
Тестирование метода проводилось на задаче «StumbleUpon Evergreen Classification Challenge» (2), которая заключается в разделении множества объектов на 2 класса. Тестовая выборка содержит 3131 объектов и 26 признаков, по которым необходимо провести классификацию. На тестовой выборке при использовании алгоритма kNN ошибка классификации составила 35,1 %. При решении задачи ансамблем моделей ошибка составила 26,4 %.
В ходе работы были получены следующие результаты: bagging подход улучшает результаты классификации (до 25 % при использование алгоритма kNN) по сравнению с индивидуальными базовыми классификаторами; имеет преимущество в простоте реализации. К недостаткам можно отнести недетерминированность результата (обучающие выборки формируются случайно) и сложность интерпретации результатов по сравнению с индивидуальными моделями.
Библиографические ссылки
1. Leo Breiman, Bagging Predictors // Statistics Departmen, University of California, Berkeley, 1994.
2. URL: https://www.kaggle.eom/c/stumbleupon/data (дата обращения: 18.03.2014).
© Синяев И. Ф., 2014
УДК 004.896
Д. А. Суханов Научный руководитель - О. В. Шестернева Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
АДАПТИВНОЕ УПРАВЛЕНИЕ ВЕНТИЛЯТОРОМ В УСЛОВИЯХ ГАЗОВО-СМЕСИТЕЛЬНОЙ НЕСТАБИЛЬНОСТИ
Описывается проблема эффективного управления вентиляционным оборудованием полупромышленного уровня. Рассматриваются способы формирования управляющего воздействия в зависимости от состава воздушной смеси в помещении. Эффективность различных подходов была исследована на тестовом приборе.
Условия работы, а также разрешенный вид деятельности производственного предприятия зависит от состава газовой среды в помещении, где работают сотрудники. К основным показателем относятся процентные составляющие: углекислого газа, кислорода, угарного газа, тяжелых элементов, а также примесь азота.
Качественно вентилятор уменьшает наличие вредных примесей, а также увеличивает приток кислорода и азота. Для упрощения регулирования, был сформи-
рован обобщенный сигнал рассогласования для управления по формуле [1]
, (1)
I " ]
где е', - требуемый по стандартам показатель примеси в воздухе 1-го газа; - фактический показатель примеси в воздухе /-го газа; N - общее число газов.
Секция «Математические методы моделирования, управления и анализа данных»
В данном случае это рационально, так как если кислорода в воздухе слишком много, то желательно уменьшить мощность вентилятора с точки зрения экономия электроэнергии, если же примесь кислорода в воздухе низкая - увеличить.
Был проведен эксперимент с традиционным ПИД-регулятором [2] и адаптивным нейрорегулятором [3] в контуре управления с целью сравнения качество их функционирования. Структура адаптивного нейроре-гулятора аналогична структуре ПИД-регулятора. Отличием является настройка коэффициентов путём обучения нейросети в режиме реального времени. В результате эксперимента качество перерегулирования ПИД-регулятора и адаптивного нейрорегулятора практически совпало в идеальных условиях. В случае наличия шума (около 5 %), качественно меняется результативность ПИД-регулятора, который показал
низкую эффективность. Величина статической ошибки нейрорегулятора составила всего 12,4 %, что несопоставимо с ошибкой классического ПИД-регулятора - 32,6 %.
Библиографические ссылки
1. Никифоров В. О., Фрадков А. Л. Схемы адаптивного управления с расширенной ошибкой // АиТ. 1994. № 9. С. 3-22.
2. Теория автоматического управления / А. А. Воронов, Д. П. Ким, В. М. Лохин и др. М. : Высш. шк., 1986.
3. Ноткин Б. С. Системы прогнозирующего ней-роуправления нелинейными динамическими объектами : дис. ... канд. техн. наук. Владивосток, 2006. 210 с.
© Суханов Д. А., 2014
УДК 519.68
А. В. Фисак Научный руководитель - Л. В. Липинский Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
ПРИМЕНЕНИЕ НЕЧЕТКОГО КОНТРОЛЛЕРА В ПРОЦЕДУРАХ АДАПТАЦИИ ГЕНЕТИЧЕСКОГО АЛГОРИТМА
Излагается идея настройки генетического алгоритма нечетким контроллером, причины возникновения такой идеи, пути и перспективы ее реализации, а также конкретные результаты, полученные при тестировании алгоритма с настраиваемой мутацией.
Решением задач любой природы занимается системный анализ. Согласно [2, с. 100] технология прикладного системного анализа включает в себя несколько этапов. Одиннадцатый этап, на котором производится выбор, или принятие решения часто сводится к оптимизационным задачам [2, с. 179].
Классические методы требуют, чтобы оптимизируемая функция обладала определенным набором свойств, например, была дифференцируемой и заданной аналитически. На практике часто встречаются проблемы, когда удается получить только значения функции в определенных точках. В таких случаях применяются эвристические алгоритмы поиска, частными случаями которых являются процедуры случайного поиска, но чтобы такой поиск сходился к хорошему результату за приемлемое время, необходимо каким-либо образом его направить.
В генетический алгоритм (ГА), основанный на случайном поиске, встроены механизмы аналогичные методам эволюции в природы: мутация, скрещивание и селекция [1, с. 125]. ГА доказали свою высокую эффективность на широком круге задач, однако надежность и скорость их работы на каждой отдельной задаче в высокой степени зависят от выбранных настроек алгоритма. Задача выбора подходящих видов операторов селекции, скрещивания и мутации является сложной и требует много времени даже для опытного исследователя.
В процессе работы ГА используется две стратегии: исследование новых регионов пространства по-
иска и использование уже найденного генетического материала с целью его улучшения. Правильное соотношение между стратегиями способно решить очень серьезную проблему ГА, такую как преждевременная сходимость. Учеными, работающими в области эволюционных алгоритмов, проведено множество исследований свойств ГА при различных комбинациях его настроек, а также предложено большое количество рекомендаций по выбору этих настроек. Также известно, что путем увеличения вероятности мутации можно перейти от стратегии использования к исследованию новых областей поискового пространства. В свете всего вышесказанного возникла идея с помощью нечеткого контроллера, в который будут заложены все требующиеся знания, выбирать вероятность мутации на каждом этапе поиска решения.
Разнообразие популяции определяется с помощью трех показателей. Для вычисления первых двух популяция рассматривается на уровне фенотипа:
' иу' { МахЕ¥' -
1 РЯ ' 2 МахЕ¥' - МтРУ'^
здесь ПУ' - число уникальных значений функции пригодности в текущей популяции; РЯ - размер популяции; МахРУ', МтРУ', AvgFVt - соответственно максимальное, минимальное и среднее значение функции пригодности в текущей популяции.
